Báo cáo chuyên đề "Dự đoán giá nhà bằng Linear-Regression"

102 51 lượt tải Tải xuống

Chia sẻ Báo cáo tài liệu

TRƯỜNG ĐẠI HỌC ĐIỆN LỰC

KHOA CÔNG NGHỆ THÔNG TIN

BÁO CÁO CHUYÊN ĐỀ HỌC PHẦN

MÔN NHẬP MÔN HỌC MÁY

ĐỀ TI:

DỰ ĐOÁN GIÁ NH BẰNG LINE REGRESSION

Sinh viên thực hiện

NGÔ ANH ĐỨC

NGUYỄN TRUNG QUÂN

Giảng viên hướng dẫn: Ths.ĐO NAM ANH

Ngành

CÔNG NGHỆ THÔNG TIN

HỆ THỐNG THƯƠNG MẠI

Chuyên ngành

ĐIỆN TỬ

D15HTTMDT

Lớp

: 2020-2024

Khóa

Hà Nội, tháng 12 năm 2022

PHIẾU CHẤM ĐIỂM

MỤC LỤC

LỜI MỞ ĐẦU ....................................................................................................... 1

CHƯƠNG 1: GIỚI THIỆU VỀ HỌC MÁY VÀ THUẬT TOÁN HỒI QUY .... 2

TUYẾN TÍNH TRONG HỌC MÁY .................................................................... 2

1.1. Giới thiệu về học máy .................................................................................... 2

Họ và tên sinh viên

Nội dung thực hiện

Điể

Chữ ký

NGÔ ANH ĐỨC

NGUYỄN TRUNG

QUÂN

Họ và tên giảng viên

Chữ ký

Ghi chú

Giảng viên chấm 1:

Giảng viên chấm 2:

 
 
1.1.1 Khái niệm về học máy ............................................................................. 2 
1.1.2 Ứng dụng của học máy ............................................................................ 3 
1.2. Thuật toán hồi quy tuyến tính trong học máy ............................................... 4 
1.2.2. Dạng của Linear Regression ................................................................... 5 
1.2.3. Hàm mất mát ........................................................................................... 5 
1.2.4. Tìm nghiệm của mô hình hồi quy tuyến tính.......................................... 6 
1.2.5. Mức độ lỗi của mô hình hồi quy tuyến tính ........................................... 7 
CHƯƠNG 2 ỨNG DỤNG THUẬT TOÁN ......................................................... 7 
2.1 Giới thiệu bài toán .......................................................................................... 7 
2.2 Giải quyết bài toán .......................................................................................... 8 
2.2.1 Phân tích dữ liệu dataset .......................................................................... 8 
2.2.2 Xây dựng mô hình dự đoán bằng thư viện Scikit – Learn .................... 14 
2.2.2.1 Phân tách dữ liệu thành train và test ............................................... 14 
2.2.2.2 Tạo model và training Linear Regression ....................................... 15 
2.2.3 Hệ số coeff ............................................................................................. 16 
2.2.4 Dự đoán và đánh giá mô hình ................................................................ 17 
KẾT LUẬN ......................................................................................................... 23 
 
MỤC LỤC HÌNH ẢNH 
Hình 2. 1 import thư viện.....................................................................................5 
Hình 2.2 load dữ liệu từ file csv...........................................................................6 
Hình 2.3 tổng quát về dataset...............................................................................6 
Hình 2.4 thống kê dữ liệu này bằng describe().....................................................7 
Hình 2.5 Phân bố bằng Seaborn...........................................................................8 
Hình 2.6 sẽ sử dụng histplot() để vẽ biểu đồ giá nhà...........................................9 
Hình 2.7 bản đồ nhiệt để kiểm tra độ tương quan giữa các cột..........................10 
Hình 2.8 cần tách dữ liệu của mình thành một mảng X chứa các tính năng cần  
đào tạo và một mảng y với biến mục tiêu...........................................................10 
Hình 2.9 tạo mô hình hồi quy.............................................................................11 
Hình 2.10 Tạo model và training Linear Regression..........................................11 

Hình 2.11 train dữ liệu bằng phương thức fit()...................................................11

Hình 2.12 hệ số Coeff.........................................................................................12

Hình 2.13 dùng phương thức predict() truyền đối số X_test..............................13

Hình 2.14 biểu đồ phân tán.................................................................................13

Hình 2.15 sự chênh lệch giữa giá dự đoán và giá trị thực tế ban đầu.................14

Hình 2.16 Mean Absolute Error..........................................................................15

Hình 2.17 Mean Squared Error..........................................................................15

Hình 2.18 Root Mean Squared Error..................................................................15

Hình 2.19 import metrics từ sklearn và lấy tất cả các chỉ số hồi quy.................16

lOMoARcPSD| 35884202

LỜI MỞ ĐẦU

Công nghệ ngày càng phổ biến và không ai có thể phủ nhận được tầm quan

trọng và những hiệu quả mà nó đem lại cho cuộc sống chúng ta. Bất kỳ trong lĩnh

vực nào, sự góp mặt của trí tuệ nhân tạo sẽ giúp con người làm việc và hoàn thành

tốt công việc hơn. Và gần đây, một thuật ngữ “machine learning” rất được nhiều

người quan tâm.Thay vì phải code phần mềm với cách thức thủ công theo một bộ

hướng dẫn cụ thể nhằm hoàn thành một nhiệm vụ đề ra thì máy sẽ tự “học hỏi”

bằng cách sử dụng một lượng lớn dữ liệu cùng những thuật toán cho phép nó thực

hiện các tác vụ.

Đây là một lĩnh vực khoa học tuy không mới, nhưng cho thấy lĩnh vực trí

tuệ nhân tạo đang ngày càng phát triển và có thể tiến xa hơn trong tương lai. Đồng

thời, thời điểm này nó được xem là một lĩnh vực “nóng” và dành rất nhiều mối

quan tâm để phát triển nó một cách mạnh mẽ, bùng nổ hơn.

Hiện nay, việc quan tâm machine learning càng ngày càng tăng lên là vì

nhờ có machine learning giúp gia tăng dung lượng lưu trữ các loại dữ liệu sẵn,

việc xử lý tính toán có chi phí thấp và hiệu quả hơn rất nhiều.

Những điều trên được hiểu là nó có thể thực hiện tự động, nhanh chóng để

tạo ra những mô hình cho phép phân tích các dữ liệu có quy mô lớn hơn và phức

tạp hơn đồng thời đưa ra những kết quả một cách nhanh và chính xác hơn.

Chính sự hiệu quả trong công việc và các lợi ích vượt bậc mà nó đem lại

cho chúng ta khiến machine learning ngày càng được chú trọng và quan tâm nhiều

hơn. Vì vậy chúng em quyết định chọn đề tài: “Dự đoán giá nhà bằng Linear-

Regression” để làm báo cáo.

Chúng em xin chân thành gửi lời cảm ơn tới các thầy cô giáo trong Trường

Đại học Điện Lực nói chung và các thầy cô giáo trong Khoa Công nghệ thông tin

nói riêng đã tận tình giảng dạy, truyền đạt cho chúng em những kiến thức cũng

như kinh nghiệm quý báu trong suốt quá trình học. Đặc biệt, em gửi lời cảm ơn

đến thầy Đào Nam Anh đã tận tình theo sát giúp đỡ, trực tiếp chỉ bảo, hướng dẫn

trong suốt quá trình nghiên cứu và học tập của chúng em.

CHƯƠNG 1: GIỚI THIỆU VỀ HỌC MÁY V THUẬT TOÁN HỒI QUY

TUYẾN TÍNH TRONG HỌC MÁY

1.1. Giới thiệu về học máy

1.1.1 Khái niệm về học máy

Học máy (Machine learning) là một lĩnh vực con của Trí tuệ nhân tạo

(Artificial Intelligence) sử dụng các thuật toán cho phép máy tính có thể học từ

dữ liệu để thực hiện các công việc thay vì được lập trình một cách rõ ràng, cung

cấp cho hệ thống khả năng tự động học hỏi và cải thiện hiệu suất, độ chính xác

dựa trên những kinh nghiệm từ dữ liệu đầu vào. Học máy tập trung vào việc phát

lOMoARcPSD| 35884202

triển các phần mềm, chương trình máy tính có thể truy cập vào dữ liệu và tận

dụng nguồn dữ liệu đó để tự học.

Học máy vẫn đòi hỏi sự đánh giá của con người trong việc tìm hiểu dữ liệu cơ sở

và lựa chọn các kĩ thuật phù hợp để phân tích dữ liệu. Đồng thời, trước khi sử

dụng, dữ liệu phải sạch, không có sai lệch và không có dữ liệu giả.

Các mô hình học máy yêu cầu lượng dữ liệu đủ lớn để "huấn luyện" và đánh giá

mô hình. Trước đây, các thuật toán học máy thiếu quyền truy cập vào một lượng

lớn dữ liệu cần thiết để mô hình hóa các mối quan hệ giữa các dữ liệu. Sự tăng

trưởng trong dữ liệu lớn (big data) đã cung cấp các thuật toán học máy với đủ dữ

liệu để cải thiện độ chính xác của mô hình và dự đoán.

1.1.2 Ứng dụng của học máy

Nhiều hoạt động hàng ngày của chúng ta được trợ giúp bởi các thuật toán

machine learning, bao gồm:

Trong y tế: xác định bệnh lý của người bệnh mới dựa trên dữ liệu lịch sử

của các bệnh nhân có cùng bệnh lý có cùng các đặc điểm đã được chữa khỏi trước

đây, hay xác định loại thuốc phù hợp

• Trong lĩnh vực ngân hàng: xác định khả năng khách hàng chậm trả

các khoản vay hoặc rủi ro tín dụng do nợ xấu dựa trên phân tích

Credit score; xác định xem liệu các giao dịch có hành vi phạm tội,

lừa đảo hay không.

• •Trong giáo dục: phân loại các học sinh theo hoàn cảnh, học lực để

xem xem cần hỗ trợ gì cho những học sinh ví dụ như hoàn cảnh sống

khó khăn nhưng học lực lại tốt.

• Trong thương mại điện tử: phân loại khách hàng theo sở thích cụ thể

để hỗ trợ personalized marketing hay xây dựng hệ thống khuyến

nghị, dựa trên dữ liệu từ website, social media.

1.2. Thuật toán hồi quy tuyến tính trong học máy

1.2.1. Khái niệm

Hồi quy tuyến tính la một phương pháp thống kê để hồi quy dữ liệu với

biến phụ thuộc có giá trị liên tục trong khi các biến độc lập có thể có một trong

hai giá trị liên tục hoặc là giá trị phân loại. Hồi quy tuyến tính là một trong hai

dạng lớn của học có giám sát (supervised learning) dựa trên tập dữ liệu mẫu.

Nói cách khác "Hồi quy tuyến tính" là một phương pháp để dự đoán biến

phụ thuộc (Y) dựa trên giá trị của biến độc lập (X). Nó có thể được sử dụng cho

các trường hợp chúng ta muốn dự đoán một số lượng liên tục. Ví dụ, dự đoán giao

thông ở một cửa hàng bán lẻ, dự đoán thời gian người dùng dừng lại một trang

nào đó hoặc số trang đã truy cập vào một website nào đó v.v...

lOMoARcPSD| 35884202

1.2.2. Dạng của Linear Regression

Hồi quy tuyến tính có phương trình đạng :

F(x) = w

+ w

+ … + w

(1)

Trong đó, w

là các hằng số, w

còn được gọi là bias hay sai số.

Mối quan hệ giữa y f(x) bên trên là một mối quan hệ tuyến tính (linear). Bài toán

chúng ta đang làm là một bài toán thuộc loại regression. Bài toán đi tìm các

hệ số tối ưu { w

} chính vì vậy được gọi là bài toán Linear Regression

(Hồi quy tuyến tính).

Trong phương trình (1) nếu chúng ta đặt w = [w

]

là một vecter

(cột) hệ số cần phải tối ưu và = [1, x

, x

] (đọc là x bar trong tiếng Anh) là

vector (hàng) dữ liệu đầu vào mở rộng. Số 1 ở đầu được thêm vào để phép tính

đơn giản hơn và thuận tiện cho việc tính toán. Khi đó, phương trình (1) có thể

được viết lại dưới dạng: y ( trong đó là một vecter hàng)

1.2.3. Hàm mất mát

Máy học từ giá trị trung bình của một hàm mất mát. Đây là một phương pháp

đánh giá độ hiệu quả của một thuật toán nào đó trên bộ dữ liệu cho trước. Nếu kết

quả dự đoán chênh lệch quá nhiều so với kết quả thực tế, hàm mất mát sẽ là một

số rất lớn. Điều tương tự xảy ra với tất cả các cặp (x

, y

), i = 1, 2, 3, …, N với N

là số lượng dữ liệu quan sát được. Để hàm mất mát nhỏ nhất khi đó tổng sai số là

nhỏ nhất tương đương với việc tìm w để hàm số sau đạt giá trị nhỏ nhất:

J(w) = (2)

Hàm số J(w) được gọi là hàm mất mát (loss function) của bài toán Linear

Regression. Chúng ta luôn mong muốn rằng sự mất mát (sai số) là nhỏ nhất, điều

đó đồng nghĩa với việc tìm vector hệ số w sao cho giá trị của hàm mất mát này

càng nhỏ càng tốt.

Trước khi đi tìm lời giải, chúng ta đơn giản hóa phép toán trong phương trình

hàm mất mát (2). Đặt là một vector cột chứa tất cả các output của training data;

= là ma trận dữ liệu đầu vào (mở rộng) mà mỗi hàng của nó là một điểm dữ liệu.

1.2.4. Tìm nghiệm của mô hình hồi quy tuyến tính

Để tìm nghiệm cho một bài toán tối ưu chúng ta thường giải phương trình

đạo hàm J(w) = bằng 0.

Đạo hàm theo w của hàm mất mát là:

Phương trình đạo hàm bằng 0 tương đương với:

Đặt và b ( ) khi đó ta có :

A.W = b

lOMoARcPSD| 35884202

(với I là ma trận đơn vị)

là nghiệm của mô hình hồi quy tuyến tính.

Trên thực tế A có thể không khả nghịch nên ta sẽ dùng ma trận giả nghịch

đảo nên ta có W = hay W = Đây chính là nghiệm tổng quát của hồi quy tuyến

tính.

1.2.5. Mức độ lỗi của mô hình hồi quy tuyến tính

Ta có công thức tính mức độ lỗi của mô hình như sau:

MSE =

Với mức độ lỗi của mô hình cho ta biết mức độ học của mô hình.

CHƯƠNG 2 ỨNG DỤNG THUẬT TOÁN

2.1 Giới thiệu bài toán

Lấy bối cảnh ở nước Mỹ, chúng ta sẽ đóng vai trò như một đại lý nhà nước

để dự đoán giá nhà cho các khu vực. Với tập dữ liệu đã được chuẩn bị sẵn, nhiệm

vụ bây giờ đó là sử dụng mô hình hồi quy tuyến tính để có thể ước tính ngôi nhà

sẽ được bán với giá bao nhiêu.

Tệp dữ liệu là file mở rộng CSV. Trong tệp dữ liệu này có 7 cột và 5000

hàng:

• Avg. Area Income: Thu nhập trung bình tại khu vực ngôi nhà đã bán

• Avg. Area House Age: Trung bình tuổi của một ngôi nhà đã bán

• Avg. Area Number of Rooms: Trung bình diện tích các phòng

• Avg. Area Number of Bedrooms: Trung bình diện tích phòng ngủ

• Area Population: Dân số tại khu vực bán nhà

• Price: Giá ngôi nhà đã bán

• Address: Địa chỉ ngôi nhà bán

2.2 Giải quyết bài toán

2.2.1 Phân tích dữ liệu dataset

Chúng ta sẽ sử dụng 1 số thư viện cần thiết để xử lí và phân tích trực quan dữ

liệu:

lOMoARcPSD| 35884202

Hình 2. 1 import thư viện

Tiếp theo chúng ta sẽ load tệp dữ liệu có đuôi .csv:

Hình 2.2 load dữ liệu từ file csv

Như đã nói ở trên dataset này gồm có các thông tin cơ bản đó là :

• Avg. Area Income: Thu nhập trung bình tại khu vực ngôi nhà đã bán

• Avg. Area House Age: Trung bình tuổi của một ngôi nhà đã bán

• Avg. Area Number of Rooms: Trung bình diện tích các phòng

• Avg. Area Number of Bedrooms: Trung bình diện tích phòng ngủ

• Area Population: Dân số tại khu vực bán nhà

• Price: Giá ngôi nhà đã bán

• Address: Địa chỉ ngôi nhà bán

Để có thể xem tổng quát về dataset này ta có thể sử dụng

Hình 2.3 tổng quát về dataset

Dựa trên dữ liệu này ta có 5000 dòng tương ứng với 5000 ngôi nhà đã được

bán. Lượng dữ liệu này đủ để có thể xây dựng một mô hình học máy

Ngoài ra ta còn có thể thống kê dữ liệu này bằng describe():

lOMoARcPSD| 35884202

Hình 2.4 thống kê dữ liệu này bằng describe()

Nhờ hàm describe() giúp trả về dataframe mới với số hàng được hiển thị ra các

thông số như số hàng, giá trị trung bình, độ lệch chuẩn, min, max, tỉ lệ phần tram

của các cột.

Phân bố bằng Seaborn ta có thể thấy được tương quan về dữ liệu

Hình 2.5 Phân bố bằng Seaborn

Về tương quan giữa các cột, ta thấy Cột Price có kiểu phân tán theo mô

hình tuyến tính, dựa trên thông tin này, ta xây dựng mô hình máy học hồi quy

tuyến tính để dự đoán nó dựa trên giá trị các cột khác, trừ cột địa chỉ (Address)

ngôi nhà.

Bây giờ chúng ta sẽ sử dụng histplot() để vẽ biểu đồ giá nhà :

Hình 2.6 sẽ sử dụng histplot() để vẽ biểu đồ giá nhà

Ta thấy giá các ngôi nhà đã bán thường tập trung ở mức giá 0.5 đến 2.0, và

nhiều nhất là 0.8 đến 1.7

lOMoARcPSD| 35884202

Chúng ta sẽ sử dụng bản đồ nhiệt để kiểm tra độ tương quan giữa các cột:

Hình 2.7 bản đồ nhiệt để kiểm tra độ tương quan giữa các cột

Qua đó, ta phân tích được các cột có giá trị tương quan như như thế nào

với nhau. Về cơ bản, cột giá (price) có chút tương quan với các cột còn lại nhiều

nhất, chứng tỏ các yếu tố đó có tác động ít nhiều lên giá nhà.

2.2.2 Xây dựng mô hình dự đoán bằng thư viện Scikit – Learn

2.2.2.1 Phân tách dữ liệu thành train và test

Bây giờ chúng ta hãy bắt đầu đào tạo mô hình hồi quy. Trước tiên, chúng

ta sẽ cần tách dữ liệu của mình thành một mảng X chứa các tính năng cần đào tạo

(các biến độc lập) và một mảng y với biến mục tiêu (biến phụ thuộc), trong trường

hợp này là cột Giá. Chúng ta sẽ loại bỏ cột Địa chỉ vì nó chỉ có thông tin văn bản

mà mô hình hồi quy tuyến tính không thể sử dụng

Hình 2.8 tách dữ liệu thành một mảng X chứa các tính năng cần đào tạo và một

mảng y với biến mục tiêu

Giờ ta đã có hai biến x, y theo yêu cầu của mô hình, hai biến này dựa trên

dữ liệu là dataset ta có được để đào tạo mô hình. Giờ là ta tách các biến trên thành

giá trị train và test, hai giá trị này chúng ta sẽ luôn gặp và sử dụng trong qua trình

xây dựng mô hình máy học.

Đầu tiên, ta từ thư viện Scikti – Learn model_selection ta import

train_test_split, phương thức này giúp ta tạo mô hình hồi quy

lOMoARcPSD| 35884202

Hình 2.9 tạo mô hình hồi quy

Sau đó ta tạo 4 biến, gồm X_train, y_train và X_test, y_test. Với đối số

truyền vào là giá trị X, y ta đã lấy từ dữ liệu bên trên, test_size trả về cho ta phần

trăm dữ liệu được chia, ví dụ 0.4 tương ứng với dữ liệu được chia thành 40% giá

trị là test, còn lại là dữ liệu train. random_state bằng một số tương ứng nào đó để

đảm bảo mỗi lần ta chạy lại mô hình, giá trị phân tách ngẫu nhiên nhận được là

giống nhau, bạn có thể cho số nào bất kỳ.

2.2.2.2 Tạo model và training Linear Regression

Từ thư viện Scikit – Learn , linear_model import module LinearRegression

Hình 2.10 Tạo model và training Linear Regression

Tiến hành train dữ liệu bằng phương thức fit()

Hình 2.11 train dữ liệu bằng phương thức fit()

Nếu kết quả trả về là một hàm LinearRegression(), chứng tỏ mô hình đã train

xong

2.2.3 Hệ số coeff

Để đánh giá sực tác động của các tính năng ( các biến độc lập) lên kết quả

đầu ra (biến phụ thuộc), ta sử dụng hệ số Coeff. Hệ số này cho ta biết khi giá trị

biến độc lập thay đổi 1 đơn vị, thì giá trị đầu ra sẽ thay đổi như thế nào.

Hình 2.12 hệ số Coeff

Diễn giải các hệ số trên: